AI意图识别技术演进：从关键词匹配到Agentic RAG

1. AI模块架构演进与意图识别方案深度解析

最近在重构一个企业级AI系统时，遇到了意图识别这个经典难题。现有的硬编码关键词匹配方案虽然简单直接，但在实际业务场景中暴露出了明显的局限性。经过与团队的多轮技术讨论和方案验证，我们最终形成了一套完整的架构演进路线。本文将详细分享从传统关键词匹配到Agentic RAG模式的完整升级过程，包含具体实现细节和踩坑经验。

1.1 现有机制的痛点分析

当前系统使用shouldQueryVector方法进行意图判断，内部通过StrUtil.containsAny匹配硬编码关键词（如"api"、"sql"、"报错"）。这种方案在初期快速上线阶段确实发挥了重要作用，但随着业务复杂度提升，逐渐暴露出三大核心问题：

1. 语义理解缺失：无法识别"查看接口文档"和"api说明"是相同意图
2. 维护成本高：每新增一个业务场景都需要手动添加关键词
3. 灵活性不足：对于"这个功能怎么实现的？"这类开放式问题，系统无法准确判断是否需要检索代码库

实际案例：用户询问"获取用户列表的接口报错"时，由于缺少"接口"关键词的变体匹配，系统错误地将其归类为普通对话，导致返回结果不准确。

1.2 语义路由(Semantic Router)方案设计

针对上述问题，我们首先尝试了语义路由方案。其核心思想是将意图判断从关键词匹配升级为语义相似度计算：

python复制class SemanticRouter:
    def __init__(self):
        self.intent_examples = {
            "CODE_QUERY": ["查看实现代码", "这个功能是怎么写的", "展示相关类定义"],
            "API_DOC": ["接口文档在哪", "如何使用这个API", "请求参数说明"]
        }
        
    def route(self, query):
        query_embedding = get_embedding(query)
        max_sim = 0
        best_intent = None
        
        for intent, examples in self.intent_examples.items():
            for example in examples:
                sim = cosine_similarity(query_embedding, get_embedding(example))
                if sim > max_sim:
                    max_sim = sim
                    best_intent = intent
        
        return best_intent if max_sim > THRESHOLD else "CHAT"

关键实现细节：

1. 使用Sentence-BERT作为嵌入模型，在领域数据上微调后准确率提升23%
2. 动态阈值机制：根据查询长度自动调整相似度阈值（短文本阈值更高）
3. 增量更新：新发现的意图例句会自动加入